Различные виды нейронных сетей: обзор разных типов и их применение
Нейронные сети — это мощные инструменты для машинного обучения и искусственного интеллекта. Их можно использовать для решения самых разных задач, от распознавания объектов на изображениях до задач обработки естественного языка. В этой статье мы рассмотрим различные виды нейронных сетей и их применение. Мы обсудим различные типы нейронных сетей, такие как сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN) и генеративно-состязательные сети (GAN). Мы также рассмотрим, как эти различные типы нейронных сетей можно использовать в различных вариантах использования и приложениях. Наконец, мы обсудим преимущества и недостатки каждого типа сети.
Что могут нейронные сети
Нейронные сети — это мощные вычислительные инструменты, которые используются для выполнения таких задач, как обработка естественного языка, распознавание и классификация изображений, рекомендательные системы и многое другое. В этих задачах часто используется искусственный интеллект, поскольку сети могут быстро обрабатывать большие объемы информации. Они успешно применялись во многих различных контекстах, таких как компьютерное зрение, распознавание речи, машинный перевод, суммирование текста и создание музыки.
Нейронные сети позволяют компьютерам учиться на собственном опыте, постоянно корректируя свои внутренние веса на основе входных данных (начиная со случайных чисел) до тех пор, пока они не достигнут желаемого набора весов. Регулировка веса позволяет сети улучшить обработку информации. В начале 20-го века Виктор Франкл и Ральф Эдвард Заутер разработали нейронную сеть для решения дифференциальных уравнений в электротехнике, названную «контроллером Франклина», которая стала широко использоваться в электроэнергетических системах. В 1947 году Джон фон Нейман опубликовал самореферентную модель вычислений, которая была на шаг впереди универсальной машины Тьюринга. Модель позволяла компьютерам вычислять все, что можно было вычислить: абстрактную функцию от натуральных чисел к натуральным числам.
История появления нейросетей
Первая вычислительная нейронная сеть была разработана Дэвидом Лилли Корнуэллом и Уолтером Питтсом в 1943 г. В 1930-х годах павловские психологи заметили, что у собак выделяется слюна, когда они слышат звонок. Это был пример классического обусловливания, при котором безусловный раздражитель (звук) вызывал условную реакцию (слюноотделение). В 1935 году Эдвард Толман и Кларк Л. Халл представили концепцию «оперантного обусловливания», чтобы объяснить, как этот тип обучения может работать у людей. Их теория контрастирует с теорией Павлова, согласно которой классическое обусловливание эффективно только потому, что оно создает связь между рефлексом и его безусловным стимулом посредством повторения.
Современные реалии нейросетей
Современная нейронная сеть включает в себя два типа нейронов: возбуждающие и тормозные. Возбуждающие нейроны реагируют на раздражители, в то время как тормозные нейроны вызывают у животного желание прекратить любое поведение, происходящее в данный момент, чтобы избежать наказания. Нейронная сеть не оказала бы большого влияния на субъекта, если бы в ней были только возбуждающие нейроны, а не тормозные. Теория оперантного обусловливания объясняет, как обучение может происходить даже при наличии торможения. В классическом обусловливании условный раздражитель сочетается с безусловным раздражителем (который обычно относится к неприятному ощущению, такому как боль), который вызывает условный ответ (бессознательное автоматическое поведение).
Оперантное обусловливание
Оперантное обусловливание — это теория обучения через последствия и действия. Существует два типа оперантного обусловливания: отрицательное подкрепление и положительное подкрепление. При отрицательном подкреплении, когда действие не приводит к желаемому результату, оно не повторяется до тех пор, пока желаемый результат не будет достигнут.
Хорошим примером будет сказать «НЕТ!» к чему-то болезненному, что причиняет вам боль, что заставляет человека воздерживаться от повторения этого, чтобы избежать наказания (негативное подкрепление). Примером положительного подкрепления может быть если человека хвалят за что-то хорошее. Теория социального обучения относится к тому, как человек учится, наблюдая за поведением других людей. Эта теория отличается от других теорий тем, что фокусируется на социальном влиянии на поведение человека, а не исключительно на окружающей среде и генетике.
Процесс подкрепления этой теории включает моделирование, наблюдательное обучение, заместительное обучение и инкультурацию. Воздействие любого типа модели может привести к желательным или нежелательным последствиям в зависимости от того, что человек моделирует свое поведение и откуда он наблюдает за этим (т. е. личное или общественное).